情绪识别模型的训练方法及装置、情绪识别方法及装置制造方法及图纸

本公开实施例公开一种情绪识别模型的训练方法及装置、情绪识别方法及装置，该方法包括：获取训练样本集以及训练样本集中每一训练样本的情绪类别标签；基于变精度邻域粗糙集的快速前向搜索特征选择算法对训练样本的基础特征进行特征选择，获得用于反映情绪类别的目标特征；根据待训练的情绪识别模型中的第一分类器对目标特征进行分类，得到目标特征的第一分类结果，根据待训练的情绪识别模型中的第二分类器对目标特征进行分类，得到目标特征的第二分类结果，以及融合第一分类结果和第二分类结果，获得融合分类结果；根据融合分类结果和情绪类别标签，构建待训练的情绪识别模型的分类损失；根据分类损失更新待训练的情绪识别模型的模型参数。

【技术实现步骤摘要】

本公开涉及情绪识别，更具体地，涉及一种情绪识别模型的训练方法及装置、情绪识别方法及装置。

技术介绍

1、相关技术在对生理信号进行情绪识别时，在生理信号的特征选择方面，使用最多的是relieff算法，然而，relieff算法不仅对于特征之间的相关性没有进行考虑，会导致识别准确率低下，而且，relieff算法在进行特征选择时耗时比较严重。

技术实现思路

1、本公开实施例提供了一种情绪识别模型的训练方法及装置、情绪识别模型及装置。

2、根据本公开的第一方面，提供了一种情绪识别模型的训练方法，所述方法包括：

3、获取训练样本集以及所述训练样本集中每一训练样本的情绪类别标签；

4、基于变精度邻域粗糙集的快速前向搜索特征选择算法对所述训练样本的基础特征进行特征选择，获得用于反映情绪类别的目标特征；

5、根据待训练的情绪识别模型中的第一分类器对所述目标特征进行分类，得到所述目标特征的第一分类结果，根据待训练的情绪识别模型中的第二分类器对所述目标特征进行分类，得到所述目标特征的本文档来自技高网...

【技术保护点】

1.一种情绪识别模型的训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述基于变精度邻域粗糙集的快速前向搜索特征选择算法对所述训练样本的基础特征进行特征选择，获得用于反映情绪类别的目标特征，包括：

3.根据权利要求1所述的方法，其特征在于，所述第一分类器为支持向量机，所述支持向量机包括惩罚系数和核函数系数，

4.根据权利要求1所述的方法，其特征在于，所述第二分类器为分类回归树，

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

6.一种情绪识别方法，其特征在于，所述方法包括：

...

【技术特征摘要】

1.一种情绪识别模型的训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述基于变精度邻域粗糙集的快速前向搜索特征选择算法对所述训练样本的基础特征进行特征选择，获得用于反映情绪类别的目标特征，包括：

3.根据权利要求1所述的方法，其特征在于，所述第一分类器为支持向量机，所述支持向量机包括惩罚系数和核函数系数，

4.根据权利要求1所述的方法，其特征在于，所述第二分类器为分类回归树，

5.根据权利要...

【专利技术属性】
技术研发人员：李小俚，梁冠豪，谷海，姚群力，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人